技術(shù)特征：

1.一種人臉識(shí)別方法，其特征在于，所述方法包括：

在人臉集合中提取出p張人臉圖像，將所述人臉集合中剩余的圖像分為n類人臉圖像作為訓(xùn)練樣本庫(kù)，然后采用所述訓(xùn)練樣本庫(kù)中的類別均值信息對(duì)所述P張人臉圖像進(jìn)行預(yù)分類；P為正整數(shù)，n為正整數(shù)；

完成預(yù)分類后，將所述P個(gè)人臉圖像中的每張圖像和對(duì)應(yīng)類別的圖像合并在一起組成增廣矩陣，將所述增廣矩陣中的人臉圖像利用低秩矩陣恢復(fù)轉(zhuǎn)換為低秩恢復(fù)圖像和稀疏誤差圖像；

利用所述訓(xùn)練樣本庫(kù)訓(xùn)練極限學(xué)習(xí)機(jī)；

將所述P個(gè)人臉圖像對(duì)應(yīng)的低秩恢復(fù)圖像作為測(cè)試樣本庫(kù)，利用極限學(xué)習(xí)機(jī)作為標(biāo)準(zhǔn)，對(duì)所述P個(gè)人臉圖像對(duì)應(yīng)的低秩恢復(fù)圖像進(jìn)行人臉識(shí)別。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述在人臉集合中提取出p張人臉圖像，將所述人臉集合中剩余的圖像分為n類人臉圖像作為訓(xùn)練樣本庫(kù)，包括：

基于人臉圖像公式x_j∈R^d×1確定出p張人臉圖像，j＝1,2,3,...，,p；其中，x_j表示第j張人臉圖像；R^d×1表示一個(gè)矩陣，dx1表示所述矩陣的大小，d是人臉圖像的大?。?/p>

確定對(duì)應(yīng)的n類人臉圖像，其中，D＝[D₁,...D_i...,D_n]∈R^d×n，D表示n類人臉圖像中所有圖像所組成的集合，D1表示第1類人臉圖像數(shù)據(jù)集，Dn表示第n類人臉圖像數(shù)據(jù)集，表示第i類人臉圖像數(shù)據(jù)集且1＜i＜n，n_i表示第i類人臉圖像數(shù)據(jù)集的樣本個(gè)數(shù)。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述采用所述訓(xùn)練樣本庫(kù)中的類別均值信息對(duì)所述P張人臉圖像進(jìn)行預(yù)分類，包括：

將所述P張人臉圖像中每張人臉圖像和所述訓(xùn)練樣本庫(kù)中的類別均值進(jìn)行比較，確定出所述P張人臉圖像中每張人臉圖像的類別，然后將所述P張人臉圖像納入對(duì)應(yīng)類別中，以完成所述p張人臉圖像的預(yù)分類。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述將所述P張人臉圖像中每張人臉圖像和所述訓(xùn)練樣本庫(kù)中的類別均值進(jìn)行比較，確定出所述P張人臉圖像中每張人臉圖像的類別，然后將所述P張人臉圖像納入對(duì)應(yīng)類別中，以完成所述p張人臉圖像的預(yù)分類，包括：

對(duì)于所述P張人臉圖像中每張人臉圖像，采用訓(xùn)練樣本庫(kù)中的類別均值信息進(jìn)行分類，公式如下：

確定與第j張人臉圖像x_j相似度最高的類別，然后將x_j歸入相似度最高的類別中，以完成所述P張人臉圖像的預(yù)分類；

其中，n_i表示各類別人臉圖像的樣本個(gè)數(shù)，D_i表示第i類人臉圖像數(shù)據(jù)集。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述將分完類的圖像和已知類別的圖像合并在一起組成一個(gè)增廣矩陣，包括：

將所述P個(gè)人臉圖像中的每張人臉圖像x_j與對(duì)應(yīng)類別的D_i合并到一起組成增廣矩陣

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述將增廣矩陣中的人臉圖像利用低秩矩陣恢復(fù)轉(zhuǎn)換為低秩恢復(fù)圖像和稀疏誤差圖像，包括：

輸入增廣矩陣X，λ，假設(shè)E＝0，u>0，通過下述公式獲得L，其中，L為低秩矩陣，所述低秩矩陣中包含的圖像就是低秩恢復(fù)圖像：

$\begin{array}{c}L=\arg \underset{L}{\min }\left|\right|L|{|}_{*}+tr\[Y^{t}X-L-E\]+\frac{u}{2}||X-L-E|{|}_F^2\\ =\arg \underset{L}{\min }\frac{1}{u}\left|\right|L|{|}_{*}+\frac{1}{2}||L-(\frac{1}{u}Y+X-E)|{|}_F^2\end{array};$

求得的L帶入以下公式獲得E，E為稀疏誤差矩陣，所述稀疏誤差矩陣中的圖像就是稀疏誤差圖像：

$\begin{array}{c}E=\arg \underset{E}{\min }\mathrm{\λ}\left|\right|E|{|}_1+tr\[Y^t(X-L-E)\]+\frac{u}{2}||X-L-E|{|}_F^2\\ =\arg \underset{L}{\min }\frac{\mathrm{\λ}}{u}\left|\right|E|{|}_1+\frac{1}{2}||E-(\frac{1}{u}Y+X-L)|{|}_F^2\end{array};$

其中λ表示稀疏錯(cuò)誤百分比，Y是拉格朗日乘子向量，tr是矩陣的跡，u為拉格朗日乘算子。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述利用所述訓(xùn)練樣本庫(kù)訓(xùn)練極限學(xué)習(xí)機(jī)，包括：

對(duì)所述極限學(xué)習(xí)機(jī)中的節(jié)點(diǎn)個(gè)數(shù)參數(shù)進(jìn)行優(yōu)化設(shè)置；

通過隨機(jī)初始化網(wǎng)絡(luò)的輸入權(quán)值以及隱元的偏置，得到隱層輸出矩陣；

調(diào)節(jié)神經(jīng)元個(gè)數(shù)使得輸出的誤差最小，確定最優(yōu)的神經(jīng)元個(gè)數(shù)，完成所述極限學(xué)習(xí)機(jī)的訓(xùn)練。

8.根據(jù)權(quán)利要求7所述的方法，其特征在于，所述利用所述訓(xùn)練樣本庫(kù)訓(xùn)練極限學(xué)習(xí)機(jī)，包括：

F＝{(x_i,t_i)|x_i∈R^d,t_i∈R^m,i＝1,2,...,N}，其中x_i＝(x_i1,x_i2,...,x_id)^T∈R^d，t_i＝(t_i1,t_i2,...，,t_im)^T∈R^m，F(xiàn)為一個(gè)集合，N表示訓(xùn)練樣本庫(kù)的樣本總數(shù)，d是表示人臉圖像的大小，m表示訓(xùn)練樣本庫(kù)中人臉的類別數(shù)，k為極限學(xué)習(xí)機(jī)elm的隱藏節(jié)點(diǎn)數(shù)；xi表示訓(xùn)練樣本庫(kù)中的人臉圖像，ti表示訓(xùn)練樣本庫(kù)中xi對(duì)應(yīng)的特征類別；

其中，i＝1,2，……，N，隱層激勵(lì)函數(shù)為f(x)，w_j＝(w_j1,w_j2,...，,w_jd)，其中w_j是隱含層中的j個(gè)神經(jīng)元和輸入層的特征之間的權(quán)重，β_j＝(β_j1,β_j2,...,β_jm)^T，β_j是第j個(gè)神經(jīng)元和輸出層之間的權(quán)值，o_i＝(o_i1,o_i2,...,o_im)^T，o_i是第i個(gè)輸入所對(duì)應(yīng)的目標(biāo)向量，b_j是第j個(gè)隱含層中的偏差，w_j·x_i表示向量的內(nèi)集；

輸出的誤差最小，包括：

$\underset{i=1}{\overset{\tilde{N}}{\Σ}}\left|\right|o_i-t_i\left|\right|=0.$

9.根據(jù)權(quán)利要求8所述的方法，其特征在于，所述輸出的誤差最小，還包括：

其中，j＝1，2…..，K；或者

β^TH＝^T，其中H為隱層節(jié)點(diǎn)的輸出，β為輸出權(quán)重，T為期望輸出；

其中，T＝[t₁,t₂,...,t_N]_m×N。